CN114898429A - 一种热红外-可见光跨模态人脸识别的方法 - Google Patents
一种热红外-可见光跨模态人脸识别的方法 Download PDFInfo
- Publication number
- CN114898429A CN114898429A CN202210503206.0A CN202210503206A CN114898429A CN 114898429 A CN114898429 A CN 114898429A CN 202210503206 A CN202210503206 A CN 202210503206A CN 114898429 A CN114898429 A CN 114898429A
- Authority
- CN
- China
- Prior art keywords
- features
- visible light
- image
- thermal infrared
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 239000000284 extract Substances 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 claims 1
- 238000007500 overflow downdraw method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人脸识别技术领域,特别是涉及一种热红外‑可见光跨模态人脸识别的方法,包括以下步骤:分别对可见光图像和热红外图像进行多级特征的学习;分别对可见光图像和热红外图像进行多级特征的提取;将可见光图像和热红外图像的三级特征利用群卷积的方式进行特征融合,再将融合后的特征输入深度学习网络中,得到最终的识别结果。通过本方法,能有效解决复杂场景下人脸识别的速度与准确度不高的问题。
Description
技术领域
本发明涉及人脸识别技术领域,特别是涉及一种热红外-可见光跨模态人脸识别的方法。
背景技术
国内外人脸识别的技术手段已经从传统的单模态方法发展到跨模态方法,正在向着人脸识别快速化、精细化方向发展。目前常见的人脸识别方式主要有:基于几何特征的人脸识别、基于神经网络的人脸识别以及近红外-可见光跨模态人脸识别等。基于几何特征的人脸识别准确率较低;基于神经网络的人脸识别需要较多的样本进行训练,但在许多场景中样本数量是很有限的。
现有技术中,提出了公开号为CN101404060,公开日为2009年04月08日的中国发明专利文件,该专利文献所公开的技术方案如下:一种基于可见光与近红外Gabor信息融合的人脸识别方法,该方法包括:分别采集可见光源下和近红外光源下的人脸图像,分别提取两种图像的Gabor特征在特征层进行融合;采用AdaBoost算法对融合后的特征进行特征选择,并采用最近邻分类对其进行相似度的计算和分类。本发明具有非常高的正确率,对光照对人脸识别的影响具有很好的鲁棒性,此外,相比与其他方法,本发明还具有所用特征数少,分类速度快等优点。
上述技术方案在实际使用过程中,会出现以下问题:在完全黑暗的环境下,人脸识别效果仍有较大提升空间,不能快速、有效、安全地在复杂场景下识别出人员身份。
发明内容
为解决上述技术问题,本发明提出了一种热红外-可见光跨模态人脸识别的方法,能有效解决复杂场景下人脸识别的速度与准确度不高的问题。
本发明是通过采用下述技术方案实现的:
一种热红外-可见光跨模态人脸识别的方法,其特征在于:包括以下步骤:
S1. 分别对可见光图像和热红外图像进行多级特征的学习,所述多级特征的学习具体指采用五个卷积层学习到不同深度的特征;
S2. 分别对可见光图像和热红外图像进行多级特征的提取,所述多级特征的提取具体指采用三个相邻深度特征组合模块,将学习到的不同深度的特征组合成三种不同深度的三级特征;
S3. 将可见光图像和热红外图像的三级特征利用群卷积的方式进行特征融合,再将融合后的特征输入深度学习网络中,得到最终的识别结果。
所述步骤S3中的特征融合具体包括以下步骤:
S31. 将可见光图像和热红外图像提取的三级特征,进行级联操作,并通过卷积操作,构成共享特征2;
S32. 将可见光图像和热红外图像提取的三级特征分别各自分成M组,构成分组特征,将可见光图像和热红外图像的分组特征进行一对一的组合,进行交叉级联,构成M个初步的融合特征;
S33. 将上述的M个初步的融合特征分别进行卷积操作,然后组合成一个完整的特征,构成共享特征1;
S34. 将共享特征1和共享特征2,进行级联操作,构成最后的融合特征。
所述步骤S1具体包括以下步骤:
S11. 分别对可见光图像和热红外图像进行采集;
S12. 分别对采集到的可见光图像和热红外图像进行图像预处理操作;
S13. 分别利用五层卷积神经网络训练可见光图像和热红外图像,分别学习出五层不同深度的特征。
所述步骤S12中对采集到的可见光图像进行图像预处理操作具体指:对可见光图像进行灰度化处理、几何变换处理和图像增强处理。
所述步骤S12中对采集到的热红外图像进行图像预处理操作具体指:利用插值法对热红外图像进行预处理。
所述步骤S2具体指:第一个相邻深度特征组合模块提取学习到的前三层特征,将其组合成第一个三级特征;第二个相邻深度特征组合模块提取学习到的中间三层特征,将其组合成第二个三级特征;第三个相邻深度特征组合模块提取学习到的后三层特征,将其组合成第三个三级特征。
与现有技术相比,本发明的有益效果表现在:
1、本发明中,针对复杂场景下的人脸图像,先通过人脸识别技术实现人脸图像的特征提取,然后通过相邻深度特征组合模块将特征组合成三种不同深度的三级特征,再将可见光图像组合的三级特征和热红外图像组合的三级特征做特征融合,以提高复杂场景下人脸识别的速度与准确度。
其中,相邻深度特征组合模块是多级特征的集成的结构,能提高特征提取性能。在分层特征集成机制HIFI 中,集成了来自不同级别的所有卷积层的特征,因此需要学习较多的参数,有较高的计算复杂度。在特征金字塔网络FPN 中,仅集成了两个相邻层中的特征。相邻深度特征组合模块专用于提取每个单峰图像特征,使用多个相邻深度特征组合模块集成多个相邻级别的特征。与特征金字塔网络FPN 相比,本发明中的相邻深度特征组合模块能捕获更多的空间细节。
2、传统的融合模型可以很好地捕捉到连结特征之间的完全跨模态相关性,但单个模态的一些显著特征也可能由于特征数量庞大而淹没在级联特征中,这将降低后续融合特征的可辨识性。另外,在具有多级特征的前提下,直接串联可能会增加网络参数,这对于多模态方法的训练是不可取的。而使用群卷积的方式进行特征融合,可以解决这类的问题。然而,虽然群卷积可以极大地减少参数,但它只能捕捉到同一组内特征之间的部分跨模态相关性,这可能会削弱所有特征映射之间的跨模态相关性。所以在群卷积的基础上,本申请提出用多卷积群融合来代替传统特征融合。
与现有的融合方法相比,本申请所提出的多分支群融合方法可以更好地捕捉图像的跨模态特征。利用多个多分支群融合方法,可以提取出包含语义信息和视觉细节的融合特征,用于显著性目标检测。更重要的是,由于采用卷积,多分支群卷积方法比传统融合方法需要更少的网络参数。
3、本发明中,分别对热红外图像和可见光图像进行图像预处理操作,该预处理可以通过多种类型的图像处理方法增加底库中的照片数量,以图像处理的方式生成人员不同角度、环境、距离的照片,这种方式以较低的人力物力成本获得了多种状况下的人脸照片,提高人脸识别系统的比对成功率。
附图说明
下面将结合说明书附图和具体实施方式对本发明作进一步的详细说明,其中:
图1为本发明中相邻深度特征组合模块的示意图;
图2为本发明中特征融合的示意图。
具体实施方式
实施例1
作为本发明基本实施方式,本发明包括一种热红外-可见光跨模态人脸识别的方法,包括以下步骤:
S1. 分别对可见光图像和热红外图像进行多级特征的学习,所述多级特征的学习具体指采用五个卷积层学习到不同深度的特征。
S2. 分别对可见光图像和热红外图像进行多级特征的提取,所述多级特征的提取具体指采用三个相邻深度特征组合模块,将学习到的不同深度的特征组合成三种不同深度的三级特征。
S3. 将可见光图像和热红外图像的三级特征利用群卷积的方式进行特征融合,再将融合后的特征输入深度学习网络中,得到最终的识别结果。
实施例2
作为本发明一较佳实施方式,本发明包括一种热红外-可见光跨模态人脸识别的方法,包括以下步骤:
S1. 分别对可见光图像和热红外图像进行多级特征的学习,所述多级特征的学习具体指采用五个卷积层学习到不同深度的特征。
S2. 分别对可见光图像和热红外图像进行多级特征的提取,所述多级特征的提取具体指采用三个相邻深度特征组合模块,将学习到的不同深度的特征组合成三种不同深度的三级特征。
该步骤具体包括:第一个相邻深度特征组合模块提取学习到的前三层特征,将其组合成第一个三级特征;第二个相邻深度特征组合模块提取学习到的中间三层特征,将其组合成第二个三级特征;第三个相邻深度特征组合模块提取学习到的后三层特征,将其组合成第三个三级特征。
S3. 将可见光图像和热红外图像的三级特征利用群卷积的方式进行特征融合,再将融合后的特征输入深度学习网络中,得到最终的识别结果。其中,步骤S3中的特征融合可以采用多卷积群融合模块来实现。
所述多卷积群融合模块左边部分是多组融合分支,将连接的输入特征沿着信道先分成 M 组,然后使用多个卷积层再每组融合。右侧为单组融合分支,直接对连接的输入特征进行两个堆叠的规则卷积层,得到融合的特征。最后通过连接两个分支的输出得到融合后的特征。如上所述,多分支群融合模块可以通过单组融合分支捕获图像特征之间的全跨模态关联。通过多组融合分支,可以从每幅单模态输入图像中提取出更多的显著特征。
实施例3
作为本发明最佳实施方式,本发明包括一种热红外-可见光跨模态人脸识别的方法,包括以下步骤:
S1. 分别对可见光图像和热红外图像进行多级特征的学习,具体包括以下步骤:
S11. 分别对可见光图像和热红外图像进行采集。在视频采集端采用两个摄像头进行图像的采集,其中可见光摄像头的分辨率可以为1280×960,热红外摄像头的分辨率可以为640×480。
S12. 分别对采集到的可见光图像和热红外图像进行图像预处理操作,具体包括对可见光图像进行灰度化处理、几何变换处理和图像增强处理,利用插值法对热红外图像进行预处理。
其中,由于成像、采集角度等原因可能造成采集的人脸有一定的变形,对于肉眼来说这些变形并不会带来太大的干扰,但对计算机来说却是截然不同的。对训练数据进行几何变换处理为的是模拟现实中的多种拍摄场景下拍摄人脸的几何失真,通过这种方式可以将人脸识别系统的注意力集中在图像内容的本身特征而不是位置、角度和尺度等其他信息。
其中,插值法用于修改图像的尺寸,所有插值法都可行,单双线性插值法的效果最佳。
S13. 分别利用五层卷积神经网络训练可见光图像和热红外图像,分别学习出五层不同深度的特征。
S2. 分别对可见光图像和热红外图像进行多级特征的提取。在进行可见光图像和热红外图像的多级特征提取前,分别将可见光图像和热红外图像学习到的特征的长宽统一,通道数固定为128。
在进行多级特征的提取时,采用三个相邻深度特征组合模块ADFC,将学习到的不同深度的特征组合成三种不同深度的三级特征。参照说明书附图1,具体为:第一个相邻深度特征组合模块ADFC1提取学习到的前三层特征,将其组合成第一个三级特征;第二个相邻深度特征组合模块ADFC2提取学习到的中间三层特征,将其组合成第二个三级特征;第三个相邻深度特征组合模块ADFC3提取学习到的后三层特征,将其组合成第三个三级特征。
S3. 将可见光图像和热红外图像的三级特征利用群卷积的方式进行特征融合,再将融合后的特征输入深度学习网络中,得到最终的识别结果。其中,参照说明书附图2,特征融合具体包括以下步骤:
S31. 将可见光图像和热红外图像提取的三级特征,进行级联操作,并通过卷积操作,构成共享特征2。
S32. 将可见光图像和热红外图像提取的三级特征分别各自分成M组,构成分组特征,将可见光图像和热红外图像的分组特征进行一对一的组合,进行交叉级联,构成M个初步的融合特征。
S33. 将上述的M个初步的融合特征分别进行卷积操作,然后组合成一个完整的特征,构成共享特征1。
S34. 将共享特征1和共享特征2,进行级联操作,构成最后的融合特征。
综上所述,本领域的普通技术人员阅读本发明文件后,根据本发明的技术方案和技术构思无需创造性脑力劳动而作出的其他各种相应的变换方案,均属于本发明所保护的范围。
Claims (6)
1.一种热红外-可见光跨模态人脸识别的方法,其特征在于:包括以下步骤:
S1. 分别对可见光图像和热红外图像进行多级特征的学习,所述多级特征的学习具体指采用五个卷积层学习到不同深度的特征;
S2. 分别对可见光图像和热红外图像进行多级特征的提取,所述多级特征的提取具体指采用三个相邻深度特征组合模块,将学习到的不同深度的特征组合成三种不同深度的三级特征;
S3. 将可见光图像和热红外图像的三级特征利用群卷积的方式进行特征融合,再将融合后的特征输入深度学习网络中,得到最终的识别结果。
2.根据权利要求1所述的一种热红外-可见光跨模态人脸识别的方法,其特征在于:所述步骤S3中的特征融合具体包括以下步骤:
S31. 将可见光图像和热红外图像提取的三级特征,进行级联操作,并通过卷积操作,构成共享特征2;
S32. 将可见光图像和热红外图像提取的三级特征分别各自分成M组,构成分组特征,将可见光图像和热红外图像的分组特征进行一对一的组合,进行交叉级联,构成M个初步的融合特征;
S33. 将上述的M个初步的融合特征分别进行卷积操作,然后组合成一个完整的特征,构成共享特征1;
S34. 将共享特征1和共享特征2,进行级联操作,构成最后的融合特征。
3.根据权利要求1所述的一种热红外-可见光跨模态人脸识别的方法,其特征在于:所述步骤S1具体包括以下步骤:
S11. 分别对可见光图像和热红外图像进行采集;
S12. 分别对采集到的可见光图像和热红外图像进行图像预处理操作;
S13. 分别利用五层卷积神经网络训练可见光图像和热红外图像,分别学习出五层不同深度的特征。
4.根据权利要求3所述的一种热红外-可见光跨模态人脸识别的方法,其特征在于:所述步骤S12中对采集到的可见光图像进行图像预处理操作具体指:对可见光图像进行灰度化处理、几何变换处理和图像增强处理。
5.根据权利要求3或4所述的一种热红外-可见光跨模态人脸识别的方法,其特征在于:所述步骤S12中对采集到的热红外图像进行图像预处理操作具体指:利用插值法对热红外图像进行预处理。
6.根据权利要求1所述的一种热红外-可见光跨模态人脸识别的方法,其特征在于:所述步骤S2具体指:第一个相邻深度特征组合模块提取学习到的前三层特征,将其组合成第一个三级特征;第二个相邻深度特征组合模块提取学习到的中间三层特征,将其组合成第二个三级特征;第三个相邻深度特征组合模块提取学习到的后三层特征,将其组合成第三个三级特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210503206.0A CN114898429B (zh) | 2022-05-10 | 2022-05-10 | 一种热红外-可见光跨模态人脸识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210503206.0A CN114898429B (zh) | 2022-05-10 | 2022-05-10 | 一种热红外-可见光跨模态人脸识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114898429A true CN114898429A (zh) | 2022-08-12 |
CN114898429B CN114898429B (zh) | 2023-05-30 |
Family
ID=82721681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210503206.0A Active CN114898429B (zh) | 2022-05-10 | 2022-05-10 | 一种热红外-可见光跨模态人脸识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114898429B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934309A (zh) * | 2024-03-18 | 2024-04-26 | 昆明理工大学 | 基于模态字典和特征匹配的未配准红外可见图像融合方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709477A (zh) * | 2017-02-23 | 2017-05-24 | 哈尔滨工业大学深圳研究生院 | 一种基于自适应得分融合与深度学习的人脸识别方法及系统 |
WO2019128362A1 (zh) * | 2017-12-28 | 2019-07-04 | 北京京东尚科信息技术有限公司 | 人脸识别方法、装置、系统及介质 |
CN113408385A (zh) * | 2021-06-10 | 2021-09-17 | 华南理工大学 | 一种音视频多模态情感分类方法及系统 |
CN113486712A (zh) * | 2021-05-31 | 2021-10-08 | 内蒙古大学 | 一种基于深度学习的多人脸识别方法、系统和介质 |
CN113536843A (zh) * | 2020-04-16 | 2021-10-22 | 上海大学 | 基于多模态融合卷积神经网络的防伪人脸识别系统 |
CN114187221A (zh) * | 2021-12-13 | 2022-03-15 | 北京环境特性研究所 | 基于自适应权重学习的红外与可见光图像融合方法 |
-
2022
- 2022-05-10 CN CN202210503206.0A patent/CN114898429B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709477A (zh) * | 2017-02-23 | 2017-05-24 | 哈尔滨工业大学深圳研究生院 | 一种基于自适应得分融合与深度学习的人脸识别方法及系统 |
WO2019128362A1 (zh) * | 2017-12-28 | 2019-07-04 | 北京京东尚科信息技术有限公司 | 人脸识别方法、装置、系统及介质 |
CN113536843A (zh) * | 2020-04-16 | 2021-10-22 | 上海大学 | 基于多模态融合卷积神经网络的防伪人脸识别系统 |
CN113486712A (zh) * | 2021-05-31 | 2021-10-08 | 内蒙古大学 | 一种基于深度学习的多人脸识别方法、系统和介质 |
CN113408385A (zh) * | 2021-06-10 | 2021-09-17 | 华南理工大学 | 一种音视频多模态情感分类方法及系统 |
CN114187221A (zh) * | 2021-12-13 | 2022-03-15 | 北京环境特性研究所 | 基于自适应权重学习的红外与可见光图像融合方法 |
Non-Patent Citations (7)
Title |
---|
HOU SHAOQI等: "SAN-GAL: Spatial Attention Network Guided by Attribute Label for Person Re-identification" * |
LI YE等: "Triplet online instance matching loss for person re-identification" * |
XINCHEN: "IR and visible light face recognition" * |
刘典婷: "红外与可见光人脸图像的融合识别算法研究" * |
徐亚伟等: "基于多层特征深度融合的卷积神经网络人脸识别方法" * |
徐少平等: "基于相邻特征融合的红外与可见光图像自适应融合网络" * |
李超等: "融合SVM和AdaBoost的近红外人脸识别方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934309A (zh) * | 2024-03-18 | 2024-04-26 | 昆明理工大学 | 基于模态字典和特征匹配的未配准红外可见图像融合方法 |
CN117934309B (zh) * | 2024-03-18 | 2024-05-24 | 昆明理工大学 | 基于模态字典和特征匹配的未配准红外可见图像融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114898429B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | Grayscale enhancement colorization network for visible-infrared person re-identification | |
CN108520535B (zh) | 基于深度恢复信息的物体分类方法 | |
CN109508663B (zh) | 一种基于多层次监督网络的行人重识别方法 | |
CN110210539B (zh) | 多级深度特征融合的rgb-t图像显著性目标检测方法 | |
US20180231871A1 (en) | Depth estimation method for monocular image based on multi-scale CNN and continuous CRF | |
CN110853032B (zh) | 基于多模态深度学习的无人机视频标签获取方法 | |
Huang et al. | Joint cross-modal and unimodal features for RGB-D salient object detection | |
CN110390308B (zh) | 一种基于时空对抗生成网络的视频行为识别方法 | |
CN111539255A (zh) | 基于多模态图像风格转换的跨模态行人重识别方法 | |
CN112801015A (zh) | 一种基于注意力机制的多模态人脸识别方法 | |
CN110378234A (zh) | 基于TensorFlow构建的卷积神经网络热像人脸识别方法及系统 | |
CN110969634A (zh) | 基于生成对抗网络的红外图像电力设备分割方法 | |
CN113076957A (zh) | 一种基于跨模态特征融合的rgb-d图像显著性目标检测方法 | |
CN114898429B (zh) | 一种热红外-可见光跨模态人脸识别的方法 | |
CN111881803B (zh) | 一种基于改进YOLOv3的畜脸识别方法 | |
CN117333908A (zh) | 基于姿态特征对齐的跨模态行人重识别方法 | |
CN114782977A (zh) | 一种基于拓扑信息和亲和度信息引导行人重识别方法 | |
CN115098646B (zh) | 一种图文数据的多级关系分析与挖掘方法 | |
CN116311384A (zh) | 基于中间模态和表征学习的跨模态行人重识别方法、装置 | |
CN116168418A (zh) | 一种图像的多模态目标感知与重识别方法 | |
CN115471901A (zh) | 基于生成对抗网络的多姿态人脸正面化方法及系统 | |
CN113869151A (zh) | 一种基于特征融合的跨视角步态识别方法及系统 | |
CN114693951A (zh) | 一种基于全局上下文信息探索的rgb-d显著性目标检测方法 | |
CN111428675A (zh) | 一种融入行人体态姿态特征的行人重识别方法 | |
CN112836605B (zh) | 一种基于模态增广的近红外与可见光跨模态人脸识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |